Um Framework de Handover Espaço-Temporal Ciente da Topologia para Rastreamento Contínuo de Múltiplos VANTs

Resumo

A integração de Veículos Aéreos Não Tripulados (VANTs) em Sistemas Inteligentes de Transporte (ITS) oferece visibilidade sinóptica para o monitoramento de tráfego; no entanto, a implantação escalável é dificultada pela fragmentação de trajetórias, onde a persistência da identidade dos veículos é perdida entre múltiplos Campos de Visão (FOV) de VANTs. Embora as abordagens de ponta se destaquem na otimização da extração local de trajetórias e na estabilidade para imagens de um único drone, elas frequentemente funcionam como silos de dados isolados que geram trajetórias desconexas, impedindo assim análises em nível de rede, como a estimativa Origem-Destino. Este artigo apresenta um sistema de Rastreamento Multi-Câmera Multi-Veículo (MCMT) em tempo real, projetado para lidar com a persistência global de identidades. Para enfrentar a ambiguidade visual e o custo computacional da Reidentificação (Re-ID) baseada em aparência em vistas nadirais, introduzimos um mecanismo leve de Transferência Espaço-Temporal Baseada em Topologia. Implementamos um pipeline paralelo de alto rendimento que utiliza YOLO11 e ByteTrack para processar fluxos simultâneos em 4K. Nossa contribuição central é um algoritmo determinístico de correspondência baseado em filas, que utiliza sobreposições geométricas e discretização de faixas virtuais para gerenciar preditivamente a transferência de identidades por meio de filas FIFO. Resultados experimentais em ambientes urbanos complexos, incluindo interseções e tráfego em fusão, demonstram uma Taxa de Sucesso de Transferência (HOSR) de 99,8% em fluxos de tráfego contínuos, superando significativamente as bases de Re-ID (74,1%), ao mesmo tempo em que validam a viabilidade de implantação em borda. O código-fonte está disponível em https://github.com/JYe9/multi-camera-multi-vehicle-tracking-system.

English

The integration of Unmanned Aerial Vehicles(UAVs) into Intelligent Transportation Systems (ITS) offers synoptic visibility for traffic monitoring, yet scalable deployment is hindered by trajectory fragmentation, where vehicle identity persistence is lost across multi-UAV Fields of View (FOV). While state-of-the-art frameworks excel in optimizing local trajectory extraction and stability for single-drone imagery, they often function as isolated data silos that generate disjointed trajectories, thereby precluding network-level analysis such as Origin-Destination estimation. This paper presents a real-time Multi-Camera Multi-Vehicle Tracking (MCMT) system designed to handle global identity persistence. Addressing the visual ambiguity and computational cost of appearance-based Re-Identification (Re-ID) in nadir views, we introduce a lightweight Topology-Based Spatiotemporal Handover mechanism. We implement a high-throughput parallel pipeline leveraging YOLO11 and ByteTrack to process concurrent 4K streams. Our core contribution is a deterministic queue-based matching algorithm that utilizes geometric overlaps and virtual lane discretization to predictively manage identity handover via FIFO queues. Experimental results on complex urban environments, including intersections and merging traffic, demonstrate a Handover Success Rate (HOSR) of 99.8% in continuous traffic flows, significantly outperforming Re-ID baselines (74.1%) while validating edge deployment feasibility. The source code is available at https://github.com/JYe9/multi-camera-multi-vehicle-tracking-system.